arXiv cs.AI· Dayin Chen, Xiaodan Shi, Xin Xu, Zhongyue Su, Shibo Zhu, Dongxiao Zhang, Yuntian Chen, Jinyue Yan·· 3 天前AI 评分22
SatPV-Field：构建区域光伏发电场提升超短期分布式太阳能预测
Constructed regional photovoltaic generation fields improve ultra-short-term distributed solar forecasting
AI 导读
SatPV-Field 将分布式光伏测量数据转化为图像式区域发电场并建模其时空演化，结合卫星短波辐射与气象预报，为单站预测提供位置化指导。在 496 个分布式光伏系统（446 个源站、50 个留出目标站）实验中，该方法将站点级 MAE 较最佳单站时序基线降低约 10.0%，较基于图的区域预测方法降低 2.5%。
正文 · AI 翻译
摘要：密集分布的光伏（PV）系统的超短期预测仍然具有挑战性，因为外部气象和卫星产品可能无法充分解析快速的局部变化，而异构光伏系统在相似大气条件下表现出不同的发电响应。同时，密集的光伏集群提供了空间分布的测量数据，揭示了区域发电动态。在此，我们将集群级光伏预测从对离散站点时间序列的建模重新表述为预测显式的、空间结构化的区域光伏发电场。我们开发了 SatPV-Field，一个从区域到局部的预测框架，将分布式光伏测量数据转换为类图像发电场，并对其时空演化进行建模。通过将历史光伏场与卫星导出的未来短波辐射引导和气象预报相结合，该框架预测未来的区域发电状态，进而为单个站点预测提供特定位置的指导。涉及 496 个分布式光伏系统的实验（包括 446 个源站点和 50 个留出目标站点）表明，这些区域场可以被有效预测，并用于改进站点级预测。所提出的方法将站点级 MAE 相对于表现最佳的单站点时间基线降低了约 10.0%，相对于使用相同源集群的基于图的区域预测方法降低了 2.5%。这些发现建立了一种显式的空间场建模范式，将区域发电动态与单个站点预测联系起来。
| 学科： | 人工智能（cs.AI）；计算工程、金融与科学（cs.CE） |
| 引用为： | arXiv:2610.16110 [cs.AI] |
| （或 arXiv:2610.16110v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16110 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Dayin Chen [查看电子邮件]
[v1]
2026年10月12日星期一 03:17:25 UTC（1,425 KB）
来源：arXiv cs.AI · arxiv.org